Metodología de la investigación

UNIDAD 6. Análisis de los datos y resultados

Rocío Álvarez Aranda

rocio.alvarez@ucentral.cl

Escuela de Economía y Negocios

Facultad de Economía, Gobierno y Comunicaciones

Universidad Central de Chile

Curso 2019-I

1
 Metodología de la investigación

UNIDAD 6. Análisis de los datos y resultados

6.1 Análisis de los datos mediante un software estadístico

6.2 Análisis descriptivo

6.3 Análisis inferencial

6.4 Análisis multivariado

6.5 Análisis de los resultados

Material bibliográfico de esta unidad

I Hernandez, Fernandez y Baptista, "Metodología de la investigación" 5ª

Edición,

I Capítulo 10.

3
6.1 Análisis de los datos mediante un software estadístico

I Una vez tengamos los datos, por ejemplo en un hoja de excel, debemos
proceder a su análisis.

I Hay tres tipo de análisis:

1. Análisis descriptiva (Curso de Estadística Descriptiva o Estadística I):

Construcción de tablas y gráficos descriptivos de los datos.

2. Análisis inferencial (Curso de Estadística Inferencial o Estadística II):

Contrastes de hipótesis a partir de pruebas estadísticas.

3. Análisis multivariado (Curso de Econometría): Estudio de la relación entre

variables a partir de modelos de regresión.
6.1 Análisis de los datos mediante un software estadístico

I Existen softwares especializados en análisis de datos. Los más

conocidos son SPSS, Stata, Eviews, R, ...

I Cómo funcionan estos programas se verá en los cursos anteriormente

mencionados.

I Para ilustrar los análisis de datos en esta unidad se utilizará Excel, es

sencillo y también en él se pueden realizar análisis de datos.

5
6.2 Análisis descriptivo

I Por ejemplo, en la encuesta CASEN (CAracterización Socio-Económica

Nacional) se pregunta por las variables
I X1 : ¿Dónde estaciona frecuentemente en su lugar de residencia el
vehículo?

I X2 : ¿Cuánto fue el ingreso total del hogar en el último mes?

I X3 : edad del jefe de hogar

I X4 : número de personas en el hogar

6
6.2 Análisis descriptivo

I Para conocer de forma rápida las características de una variable

utilizamos gráficos o medidas descriptivas que resumen su información.

I Entre los gráficos más comunes están:

I Diagramas de barras (gráficos de frecuencia absoluta o relativa)

I Diagramas de sectores (gráficos de frecuencia absoluta o relativa)

I Histograma (Variables cuantitativas continuas)

I Diagramas de cajas

I Gráficos de correlación bidimensional (Variables cuantitativas)

6.2 Análisis descriptivo

Frecuencias absolutas

TOTAL PAIS
P 26 HOGAR
¿Dónde estaciona frecuentemente en su lugar de residencia el vehículo?

FRECUENCIA ABSOLUTA

Alternativa GRUPO SOCIOECONOMICO

TOTAL
ABC1 C2 C3 D E

Total 2.224.629 114.048 343.866 1.303.844 450.677 12.194

1 Estacionamiento al interior de su casa 1.482.340 42.305 177.821 966.534 286.477 9.203
2 Estacionamiento al interior de su condominio o edificio 312.671 69.612 123.024 87.744 31.325 966
3 Estacionamiento privado externo a su residencia 105.510 160 5.770 56.267 43.313 0
4 En la calle o la vereda 320.174 1.971 36.950 191.735 87.493 2.025
88 No sabe 2.904 0 0 835 2.069 0
99 No responde 1.030 0 301 729 0 0

8
6.2 Análisis descriptivo

Gráfico de frecuencias absolutas

1.000.000

900.000

800.000

700.000
ABC1
600.000
C2
500.000
C3
400.000 D
300.000 E

200.000

100.000

0
1 2 3 4 No sabe No responde

9
6.2 Análisis descriptivo

Frecuencias relativas

TOTAL PAIS
P 26 HOGAR
¿Dónde estaciona frecuentemente en su lugar de residencia el vehículo?

FRECUENCIA RELATIVA

Alternativa GRUPO SOCIOECONOMICO

TOTAL
ABC1 C2 C3 D E

Total 100,0 100,0 100,0 100,0 100,0 100,0

1 Estacionamiento al interior de su casa 66,6 37,1 51,7 74,1 63,6 75,5
2 Estacionamiento al interior de su condominio o edificio 14,1 61,0 35,8 6,7 7,0 7,9
3 Estacionamiento privado externo a su residencia 4,7 0,1 1,7 4,3 9,6 0,0
4 En la calle o la vereda 14,4 1,7 10,7 14,7 19,4 16,6
88 No sabe 0,1 0,0 0,0 0,1 0,5 0,0
99 No responde 0,0 0,0 0,1 0,1 0,0 0,0

10
6.2 Análisis descriptivo

Gráfico de frecuencias relativas

80,0

70,0

60,0

50,0 ABC1
C2
40,0
C3
30,0
D
20,0
E
10,0

0,0
1 2 3 4 No sabe No
responde

11
6.2 Análisis descriptivo

Gráfico de sectores

Grupo C3 Alternativa 2: Interior edificio

1
ABC1
2
C2
3
C3
4
D
No sabe
E
No responde

12
6.2 Análisis descriptivo

I El histograma es un tipo especial de gráfico que nos permite identificar

el tipo de distribución que tiene una variable.

I El histograma es similar a un gráfico de frecuencias, con la diferencia de

que los datos son agrupados en intervalos y se cuenta el número de
observaciones que está en cada intervalo.

13
6.2 Análisis descriptivo

Histograma de los ingresos en el hogar (fuente de datos CASEN 2011)

Histograma
160000

140000

120000

100000
Frecuencia

80000

60000

40000

20000

14
6.2 Análisis descriptivo

Histograma de la edad del individuo encuestado(fuente de datos CASEN

2011)

Histograma
60000

50000

40000
Frecuencia

30000

20000

10000

0
0 10,8 21,6 32,4 43,2 54 64,8 75,6 86,4 97,2 More

15
6.2 Análisis descriptivo

I También podemos trabajar con dos variables simultáneamente.

I Los datos se organizan en una tabla bidimensional de frecuencias

I Esta tabla se denomina:

I Tabla de correlación: cuando las dos variables son cuantitativas.

I Tabla de contingencia: cuando al menos una de las variables es cualitativa.

16
6.2 Análisis descriptivo

Frecuencias absolutas y relativas (tabla de contingencia)

CASEN 2011
POBLACIÓN DE 24 AÑOS Y MENOS QUE NO ASISTE1 A UN ESTABLECIMIENTO EDUCACIONAL POR TRAMO DE EDAD SEGÚN ZONA Y
SEXO2

Tramo de edad
Total
Zona Sexo 0-5 6 - 13 14 - 17 18 - 24
% % % % %
Hombre 339.862 37,5 7.666 0,8 81.519 9,0 477.761 52,7 906.808 100,0
Urbano Mujer 340.363 36,9 3.523 0,4 93.034 10,1 485.803 52,6 922.723 100,0
Total 680.225 37,2 11.189 0,6 174.553 9,5 963.564 52,7 1.829.531 100,0
Hombre 57.210 37,1 1.111 0,7 17.333 11,2 78.508 50,9 154.162 100,0
Rural Mujer 55.451 38,0 1.172 0,8 12.478 8,6 76.820 52,6 145.921 100,0
Total 112.661 37,5 2.283 0,8 29.811 9,9 155.328 51,8 300.083 100,0
Hombre 397.072 37,4 8.777 0,8 98.852 9,3 556.269 52,4 1.060.970 100,0
Total Mujer 395.814 37,0 4.695 0,4 105.512 9,9 562.623 52,6 1.068.644 100,0
Total 792.886 37,2 13.472 0,6 204.364 9,6 1.118.892 52,5 2.129.614 100,0

17
6.2 Análisis descriptivo

I Ejemplo de Gráfico de correlación entre las variables número total de

personas en el hogar e ingreso total del hogar con los datos de la
encuesta CASEN 2011:

Gráfico de correlación

18
6.2 Análisis descriptivo

I El gráfico anterior nos permite visualizar una posible relación entre las
dos variables: a mayor personas en el hogar menor es el ingreso del
hogar.
I En este caso decimos que hay una relación inversa entre las variables.

I Analizaremos con más detalle la relación entre variables en el Análisis

de datos multivariado.

19
6.2 Análisis descriptivo

I Se suelen utilizar medidas que resuman las características de una

variable.
I Estas medidas se clasifican en medidas de posición y medidas de
dispersión:
I Medidas de posición:
I Media
I Mediana
I Moda
I Medidas de dispersión:
I Varianza
I Desviación típica
I Coeficiente de variación
I Percentiles
I Rango intercuartílico

20
6.2 Análisis descriptivo
Medidas de posición

I Las media y la mediana corresponden a valores centrales, alrededor

del cual se organizan todas las observaciones, y que en alguna medida
representan todos los valores que aparecen en la muestra.

I La media consiste en una media aritmética de los valores de la muestra.

I La mediana representa el valor que es central con respecto a todas las

observaciones de la variable, de tal modo que un 50% de las
observaciones son iguales o menores que este valor y un 50% son
iguales o mayores.

I La moda simplemente corresponde al valor que aparece con más

frecuencia en los datos.

I Ejemplo: Disponemos de una muestra de las ventas de autos durante

10 días:
21
6.2 Análisis descriptivo
Frecuencia Acumulada Frecuencia Acumulada
Valor de Frecuencia Absoluta Frecuencia Relativa
n Absoluta Relativa
X1 (ni ) (fi = i ) Ni
n (Ni ) (Fi = )
n
2 3 0.3 3 0.3
3 1 0.1 4 0.4
4 2 0.2 6 0.6
5 2 0.2 8 0.8
7 1 0.1 9 0.9
8 1 0.1 10 1

I La media de X es un promedio de los valores que toma la variable:

n
1X 1 42
x= ni · yi = (2 · 3 + 3 · 1 + 4 · 2 + 5 · 2 + 7 · 1 + 8 · 1) = = 4.2
n i=1 10 10

Durante los 10 días el número medio de autos vendidos es de 4.2 autos.

I La mediana se calcula como el primer valor de la variable cuya frecuencia

acumulada sobrepasa la mitad de las observaciones. En nuestro ejemplo la
mediana es Me = 4. En el 50% de los días se vendieron hasta 4 autos y en el
otro 50% a partir de 4 autos.

I La moda es el valor (o valores) que con mayor frecuencia aparecen en la

muestra. En el ejemplo la moda es 2.
22
6.2 Análisis descriptivo
Medidas de dispersión

I La varianza es una medida de las diferencias entre las observaciones y

la media.
I La desviación estándar es la raíz cuadrada de la varianza, y tiene la
misma unidad de mediad que las observaciones.
I El coeficiente de variación mide cuántas veces la desviación estándar
es mayor que la media.
I Los percentiles son los valores que acumulan un cierto porcentaje de
las observaciones. Por ejemplo, el percentil 10 es el valor que acumula
el primer 10% de las observaciones.
I El rango intercuartílico es la diferencia entre el tercer cuartil y el primer
cuartil de las observaciones.
I El primer cuartil es el valor de la observación que acumula el 25% de las
observaciones, y el tercer cuartil es el valor de la observación que
acumula el 75% de las observaciones.
23
6.2 Análisis descriptivo
Autos vendidos 2 3 4 5 7 8
Ejemplo:
frecuencia absoluta 3 1 2 2 1 1

I Varianza:
Pn 2
S2 = 1
n−1 i=1 ni (xi − x)
(3∗(2−4.2) +1∗(3−4.2) +2∗(4−4.2)2 +2∗(5−4.2)2 +1∗(7−4.2)2 +1∗(8−4.2)2 )
2 2
= 10−1
39.6
= 9
= 4.4

I Desviación estándar
√ √
S= S2 = 4.4 = 2.1
I Coeficiente de variación
S 2.1
CV = = = 0.5
x 4.2
I Rango intercuartílico (Q3 acumula el 75% y Q1 acumula el 25% de los
datos):
RI = Q3 − Q1 = 5 − 2.25 = 2.75
24
6.2 Análisis descriptivo

I El diagrama de cajas es un gráfico que muestra visualmente la

distribución de las observaciones.

I Informa de cómo están dispersos los datos.

I El gráfico muestra gráficamente los valores mínimos y máximos de la

muestra, los cuartíles y el rango intercuartílico.

25
6.2 Análisis descriptivo

26
6.2 Análisis descriptivo

I La covarianza es una medida del grado de relación existente entre dos

variables X e Y: SXY

I El signo que tenga la covarianza, SXY , indica cómo cambian

conjuntamente las dos variables:

I La covarianza entre dos variables X e Y se calcula

nX nY
1 XX
SXY = (xi − x)(yj − y)ni j
n i=1 j=1

I Si la covarianza es positiva, SXY > 0,⇒ para altos valores de una de las
variables, también observamos altos valores de la otra.

I Si la covarianza es negativa, SXY < 0,⇒ para altos valores de una de las
variables, observamos valores bajos de la otra.

27
6.2 Análisis descriptivo

I PROBLEMA: la covarianza depende de las unidades de medida de las

variables, con lo que el valor de la covarianza no es un buen indicador
de la intensidad de la relación (la covarianza puede ser elevada
simplemente porque las variables toman valores muy elevados)

I SOLUCIÓN: el Coeficiente de correlación r (o el coeficiente de Pearson)

SXY
r=
SX · SY
I Siempre se cumple que:

−1 ≤ r ≤ 1
I El signo (+ ó -) del coeficiente de correlación r, que proviene del signo
de la covarianza SXY , determina la naturaleza (positiva o negativa) de la
relación entre X e Y.

I Cuanto más próximo a 1 (o a -1) es el coeficiente de correlación r, más

intensa diremos que es la relación entre X e Y.
28
6.2 Análisis descriptivo

I El signo del coeficiente de correlación y el gráfico de dispersión están

relacionados:

29
6.2 Análisis descriptivo
Tipo de dipersión Tipo de relación
A Monótona creciente
B Monótona decreciente
C No relación
D Relación no monótona
Comentario
r > 0: las dos variables se mueven en el
mismo sentido. A mayor valor de una de las
variables, mayor el valor de la otra.
r < 0: las dos variables se mueven en sen-
tido opuesto. A mayor valor de una de las
variables, menor el valor de la otra.
r = 0: No hay relación entre las variables.
Para algunas observaciones altos valores de
X coincide con altos valores de Y, pero en
otros casos coincide con bajos valores de Y.
r ≈ 0 Hay una relación entre las variables,
pero en algunos casos es creciente (tipo A)
y en otros casos es decreciente ( tipo B)
30
6.3 Análisis inferencial

I En muchos casos estamos interesados en cuestiones sobre los

parámetros de las variables.

I Ejemplos:
1 Queremos conocer si el salario medio de los habitantes de la comuna de
Las Condes es mayor que el salario medio de los que viven en Providencia.

I Si denotamos por µ1 el salario medio de los habitantes de Las Condes, y

por µ2 el salario medio de los habitantes de Providencia, queremos conocer
si µ1 > µ2 .

2 ¿Se ha reducido el número de fumadores con respecto al pasado año?

I Si denotamos por µ1 el número medio de fumadores el año pasado y por µ2

el número medio de fumadores este año, queremos conocer si µ2 < µ1 .

I Estos ejemplos se denominan Inferencia Paramétrica (sobre el

parámetro de la variable).

31
6.3 Análisis inferencial

I En otros casos, queremos comprobar cuál es la distribución de

probabilidad de una variable.

I ¿Los salarios siguen una distribución normal?

I En todos estos ejemplos estamos interesados en contrastar si una

creencia, idea, o conjetura sobre el parámetro o la distribución de la
población parece verdadera o no.

I Para contrastar nuestra hipótesis debemos basar nuestro análisis en los

datos que tenemos, la muestra, porque ésta es la única información que
tenemos sobre la población.

32
6.3 Análisis inferencial
I Como ejemplo, tenemos los datos del número de trabajadores a
domicilio (hombres y mujeres) de empresas chilenas. Ver archivo excel
Trabajadores_domicilio.
I Queremos contrastar si el número medio de trabajadores a domicilio es
mayor a 5:
H0 : µ=5
(1)
H1 : µ>5

I En Excel utilizamos el comando ZTEST y nos devuelve el valor:0.99.

¿Qué representa?
I En todo test podemos cometer el siguiente error: rechazar la hipótesis
nula cuando ésta es cierta, que se conoce como error de tipo I:

Probabilidad de error de Tipo I = P( rechazar H0 |H0 es cierta)

I La Probabilidad de error de Tipo I en la muestra se denomina p − valor.
I En este ejemplo el p − valor = 0.99. Es decir, si rechazamos la hipótesis
33
6.3 Análisis inferencial

I La conclusión siempre se expresa en los términos:

I LA HIPÓTESIS NULA ES RECHAZADA.

I LA HIPÓTESIS NULA NO ES RECHAZADA.

I IMPORTANTE: la conclusión final es siempre de la forma: RECHAZO o

NO RECHAZO la hipótesis nula. El término ACEPTO NUNCA se usa.

34
6.3 Análisis inferencial

I Ejemplo: Queremos contrastar la hipótesis de que el número medio de

trabajadores a domicilio hombres es mayor que el número medio de
trabajadores a domicilio mujeres.

H0 : µH − µM = 0
H1 : µH − µM > 0

I Con los mismos datos, aplicamos en Excel el comando TTEST, y de

nuevo nos devuelve el p-valor de la prueba, en este caso p-valor=0,011.

I Si rechazamos la hipótesis nula nos equivocaríamos el 1.1% de las

veces, por lo tanto la conclusión es que rechazamos la hipótesis nula
(normalmente si el p-valor<0.05 se rechaza la hipótesis nula)

35
6.4 Análisis multivariado

I A la hora de tomar decisiones es importante conocer cómo se

relacionan las variables.

I Es fundamental conocer el efecto que nuestra decisión tendrá en otras

variables.

I Por ejemplo, queremos conocer cuánto afectará a las ventas un

aumento del precio en 100$.

I Nuestro objetivo es conocer la relación entre dos variables, pero no una

relación cualquiera.

I Siembre buscamos conocer si cambios en una variable tendrá efecto o

no en otra variable.

I Este tipo de relación se denomina relación de causalidad.

I Pero no siempre hay una relación causal entre dos variables.

36
6.4 Análisis multivariado

I El coeficiente de correlación mide la relación lineal entre dos variables:

Cov(X, Y)
rXY =
SD(X)SD(Y)
donde
N
1 X
Cov(X, Y) = (xi − x)(yi − y)
N i=1
I Pero que el coeficiente de correlación sea distinto de cero no indica que
haya una relación causal entre ellas.

I Ejemplo de relación causal: Efecto del número de estudiantes en las

ventas de restaurantes próximos a universidades.

I Ejemplo de relación no causal: Efecto del PIB de Estados Unidos en la

población de Chile (Excel: Ejemplo-GDP-Poblacion)

I Cuando la relación entre dos variables no es de causalidad, se

denomina relación espuria.
37
6.4 Análisis multivariado

I El interés es conocer cuánto cambiará una variable Y cuando cambia la

variable X.

I Ejemplos:
I Si aumenta el precio de un producto, ¿cuánto cambiarán las ventas?

I Si aumenta el IVA un 2%, ¿cuánto disminuirá el consumo?

I Si aumenta el número de empleados, ¿cuánto aumentará la producción?

I Si aumentan las ventas, ¿cuánto aumentara el gasto en I+D?

I Predicciones: ¿Cómo cambian los precios de las acciones? ¿Cómo cambia
el PIB? ¿Cómo cambia la inflación?
I Si hoy el precio de las acciones han aumentado un 2%, ¿cuánto aumentarán
mañana?
I Si en este trimestre el PIB ha aumentado un 1.5%, ¿cuánto aumetará el próximo
trimestre?
I Si en este mes la inflación ha sido de un 0.6%, ¿ cuánto será la inflación el
próximo mes?

38
6.4 Análisis multivariado

I Para dar respuesta a este tipo de preguntas se utilizan los modelos de

regresión.

I Los modelos de regresión establecen una relación teórica entre las

variables, y a partir de una muestra se estima esa relación.

I Analizaremos el modelo de regresión lineal.

39
6.4 Análisis multivariado

I El modelo de regresión lineal establece una relación lineal del tipo:

yi = β0 + β1 x1i + β2 x2i + · · · + βk xki + ui , para i = 1, . . . , N

I y: es la variable de nuestro interés, y se la denomina variable explicada,

dependiente o regresada.
I x: es la variable que consideramos relevante para el análisis de la
variable de nuestro interés, y se la denomina variable explicativa,
independiente o regresora.
I El valor de k determina el número de variables regresoras incluidas en el
modelo.
I β0 , β1 ,...,βk son constantes que desconocemos su valor, pero que nos
gustaría conocer.
I u: representa todos aquellos factores que no estamos incluyendo en el
modelo y el hecho de que nuestro modelo de regresión no es el
verdadero y sólo estamos llevando a cabo una aproximación lineal del
modelo verdadero. Se le denomina término de error.
40
6.4 Análisis multivariado

I Interpretación de los coeficientes del modelo de regresión lineal:

I β0 : es la constante o intercepto. No tiene interpretación económica, es
simplemente el valor medio de la variable explicada cuando las variables
explicativas toman el valor cero (en algunos casos no tiene sentido el valor
estimado de β0 ). También se puede interpretar como:

β0 = E(y) − β1 E(x1 ) + β2 E(x2 ) + · · · + βk E(xk )

es decir, es el promedio de y que no es explicado por las variables x1 , x2 ,...,

xk .

I β1 mide el cambio esperado en la variable y con respecto a un cambio en la

variable x1 , manteniendo fijas el resto de variables regresoras x2 , x3 , . . . , xk .

I β2 mide el cambio esperado en la variable y con respecto a un cambio en la

variable x2 , manteniendo fijas el resto de variables regresoras x1 , x3 , . . . , xk .
.
I ..
6.4 Análisis multivariado

I βk mide el cambio esperado en la variable y con respecto a un cambio

en la variable xk , manteniendo fijas el resto de variables regresoras
x1 , x2 , . . . , xk−1 .

I Ejemplo: El siguiente modelo de regresión múltiple explica el consumo

de manzanas ecológicas:

ecokg = β0 +β1 precioeco+β2 precionorm+β3 educ+β4 ingfam+β5 tamfam+u

I En este ejemplo se incluyen cinco variables explicativas en el modelo

(k = 5).

42
6.4 Análisis multivariado

I Analicemos con más detalle la interpretación de los coeficientes del

modelo de regresión lineal:
I β0 : consumo medio de manzanas ecológicas cuando las variables
explicativas toman el valor cero.

I β1 : mide el efecto que la variable explicativa precioeco tiene sobre ecokg

el consumo de variables ecológicas. Si

I β1 > 0: Si precioeco aumenta en una unidad entonces la variable explicada

ecokg aumentará en β1 unidades.

I β1 < 0: Si precioeco aumenta en una unidad entonces la variable explicada

ecokg disminuirá en β1 unidades.

I β1 = 0: Un cambio en precioeco no tiene efecto en la variable explicada

ecokg.
I IMPORTANTE: El valor de β1 es desconocido. A partir de una muestra
obtendremos un valor estimado del verdadero valor de β1 .

43
6.4 Análisis multivariado

I Los cálculos en Excel nos devuelve:

44
6.4 Análisis multivariado

I Interpretación de los coeficientes:

I Si la educación del consumidor aumenta en un año entonces el consumo de
manzanas ecológicas aumenta en 0,015 dólares, manteniéndose constante
el resto de variables explicativas (ceteris paribus).
I Si el precio de las manzanas normales aumenta en un dólar entonces el
consumo de manzanas ecológicas aumenta en 1,35 dólares,
manteniéndose constante el resto de variables explicativas (ceteris paribus).
I Si el precio de las manzanas ecológicas aumenta en un dólar entonces el
consumo de manzanas ecológicas disminuye en 1,29 dólares,
manteniéndose constante el resto de variables explicativas (ceteris paribus).
I Si el tamaño familiar aumenta en una persona entonces el consumo de
manzanas ecológicas aumenta en 0,026 en dólares, manteniéndose
constante el resto de variables explicativas (ceteris paribus).
I Si el ingreso familiar del consumidor aumenta en un dólar entonces el
consumo de manzanas ecológicas aumenta en 0,00098 dólares,
manteniéndose constante el resto de variables explicativas (ceteris paribus).

45
6.4 Análisis multivariado

I Interpretación del coeficiente de determinación R2 = 0, 04016: la

variabilidad en el consumo de manzanas ecológicas estaría explicado
en un 4,016% por la variabilidad de las variables explicativas del modelo.

46
6.5 Análisis de los resultados

I Los resultados obtenidos deben ser presentados de forma objetiva.

I Tanto si la hipótesis de investigación se cumple como si no, debemos

ser objetivos y evitar la manipulación de los resultados.

I No se deben manipular los datos o los resultados para que se cumpla

nuestra hipótesis de investigación.

47